无限数据中的因果关系：基准模型和新数据集
内容提要
本文综述因果模型与深度学习结合的研究，将因果数据分为确定、半确定和不确定三类，总结前两类的关键任务与成果，并提出不确定数据的路线图。相关研究包括：biCD算法用因果强度变分模型处理潜在变量；在图像、视频、文本中提出干预策略、因果一致性条件及自监督框架；弱监督下识别潜因果结构；多数据集重叠变量的一致因果学习；CInA实现零样本因果推断；高效因果结构学习；约束编程解决时间序列因果学习；causalPIMA无监督学习可解释因果结构；以及AI因果推断进展对计量方法的贡献。
延伸解读
因果数据的三类划分：从确定到不确定
文章将因果数据重新定义为确定、半确定和不确定三类，这一分类基于因果结构和表示的观点。确定与半确定数据已有较成熟的任务和成果总结，而不确定数据（如图像、文本中的因果关联）仍面临挑战，作者为此提出了路线图。读者可借此理解不同数据范式下因果发现方法的适用边界，避免将确定数据的方法直接套用于不确定场景。
潜在变量与多数据集一致性的处理思路
针对存在潜在变量的非确定数据，biCD算法将潜在变量作为中介变量，利用因果强度变分模型发现因果关系。对于多数据集间有重叠变量的情况，双变量因果发现算法被用于实现一致因果结构学习，并在合成和真实数据上优于先前方法。这些工作表明，处理复杂数据时需考虑未观测混杂和跨数据集一致性，而非孤立分析单个数据集。
不确定数据中的干预与自监督策略
在图像、视频和文本等不确定数据中，研究提出干预策略和因果一致性条件，并设计自监督学习框架，在监督专用模型和大型语言模型上实现示例，通过纯不一致性表现和下游任务验证有效性。此外，弱监督条件下可通过隐式潜因果模型识别无标签不完整数据集中的因果结构和变量。这些方法为缺乏标注的不确定数据提供了可操作的因果学习路径。
零样本推断与高效结构学习的实践启示
CInA基于多个无标签数据集进行自监督因果学习，在transformer架构最后一层通过最优协变量平衡与自注意机制的原始-对偶关系实现零样本因果推断，在分布外数据上匹配或超越传统方法。另有工作利用概率分布和因果关系特征实现高效结构学习，以及用约束编程结合先验知识解决时间序列因果学习中的误导性图形问题。这些进展提示读者关注方法在分布外泛化、计算效率和先验利用方面的实际表现。
Q&A
因果数据被重新分成了哪几类？
根据因果结构和表示的观点，因果数据被重新定义为三个类别：确定数据、半确定数据和不确定数据。
biCD算法是做什么的？
biCD（混淆分离因果发现算法）通过使用因果强度变分模型，将潜在变量作为中介变量，来解决存在潜在变量的非确定数据情形下的因果关系发现问题。
在图像、视频和文本中如何阐明因果关系？
通过交叉深度学习和因果发现，在非统计数据形式如图像、视频和文本中阐明因果关系，特别是在不确定的数据形式中，提出干预策略和因果一致性条件，并设计自监督学习框架。
CInA方法有什么特点？
CInA（Causal Inference with Attention）基于多个无标签数据集进行自监督因果学习，在训练完成的transformer-type架构的最后一层通过理论上的最优协变量平衡与自注意机制之间的原始-对偶关系来实现对未知任务的零样本因果推断。
如何解决时间序列数据中因果学习算法估计的图形结构提供误导性因果信息的问题？
该研究提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。
causalPIMA算法是如何实现无监督因果结构学习的？
causalPIMA利用多模态数据和物理约束来发现具有因果关系的重要特征，通过可微分参数化和单个可追踪证据下限损失函数，在完全无监督的设置中学习变分自动编码器的有向无环图（DAG）的潜在空间，同时学习一种高斯混合先验和一种新的结构指示因果关系的特征发现方法。
